VolgendeVolgende gids
AI in het inkomstencyclusbeheer van de gezondheidszorg
Industrieën
Gids voor industrieën
AI bij fondsenwerving voor non-profitorganisaties maakt gebruik van donorgegevens en machinaal leren om te voorspellen wie waarschijnlijk een oud geschenk zal geven, upgraden, vervallen of achterlaten, en om oproepen te personaliseren en routinematig CRM-werk te automatiseren.
Luister naar deze gidsAI-verteld · ~3 min
Het is belangrijk omdat de meeste liefdadigheidsinstellingen kleine teams en krappe budgetten hebben, dus een betere targeting kan per oproep meer opleveren, maar het is afhankelijk van persoonlijke gegevens waarvan donoren verwachten dat er zorgvuldig mee wordt omgegaan.
Bij fondsenwerving wordt al tientallen jaren gebruik gemaakt van data. De klassieke methode is RFM-segmentatie, gebaseerd op de recentheid, frequentie en geldwaarde van geschenken uit het verleden, en blijft een sterke basislijn. Machine learning breidt het uit met nog veel meer signalen: geefkanalen, deelname aan evenementen, vrijwilligerswerk, e-mailbetrokkenheid, duur van de relatie en reactie op eerdere oproepen. Modellen schatten een neigingsscore voor een gedefinieerde uitkomst, zoals schenken aan de volgende oproep, upgraden, omzetten in maandelijkse schenkingen of het goede doel opnemen in een testament. Bij het prospecteren van grote geschenken wordt een vermogensscreening toegevoegd, waarbij leveranciers donorgegevens vergelijken met openbare informatie zoals eigendomsgegevens, bedrijfsdocumenten en filantropische geschiedenis om de capaciteit te schatten. Capaciteit is geen neiging: een rijk persoon zonder enige connectie met een goed doel is zelden een goed vooruitzicht, dus sterke programma's wegen affiniteit naast rijkdom. CRM-platforms zoals Salesforce Nonprofit Cloud en Blackbaud's Raiser's Edge NXT bevatten voorspellende en generatieve functies, en gespecialiseerde tools zoals Dataro richten zich op voorspellingen over fondsenwerving. Generatieve AI wordt steeds vaker gebruikt om oproepen, bedankbriefjes en oproepscripts op te stellen, en om donornotities samen te vatten vóór vergaderingen. Gegevensbescherming is het grootste risico. In Groot-Brittannië heeft de Information Commissioner's Office in 2016 en 2017 boetes opgelegd aan verschillende grote liefdadigheidsinstellingen, waaronder de RSPCA en de British Heart Foundation, deels wegens het screenen van hun rijkdommen zonder hen hiervan op de hoogte te stellen. Bij de ransomware-aanval op Blackbaud in 2020 zijn gegevens van veel non-profitorganisaties blootgelegd, waaruit blijkt dat geconcentreerde donorgegevens geconcentreerde risico's met zich meebrengen. Een veel voorkomende misvatting is dat AI betekent dat er meer vragen worden verzonden. Veelgebruikte modellen doen vaak het tegenovergestelde: ze identificeren donoren waarmee ze minder vaak of via een ander kanaal contact moeten opnemen, wat de vermoeidheid en de kosten vermindert. Een andere is dat kleine liefdadigheidsinstellingen niet over voldoende gegevens beschikken; Eenvoudige modellen op basis van een paar duizend schone records kunnen de intuïtie verslaan, maar rommelige, gedupliceerde CRM-gegevens zullen elk hulpmiddel ondermijnen.
Een voedselbank beoordeelt haar voormalige donateurs op basis van hun waarschijnlijkheid dat ze in december opnieuw zullen doneren en stuurt een kostbare gedrukte oproep alleen naar het hoogst scorende segment, terwijl de rest een e-mail wordt gestuurd.
Een universitair promotiebureau combineert het geven van geschiedenis met gegevens over het screenen van rijkdom om alumni te markeren die mogelijk over grote schenkingscapaciteiten beschikken, zodat een geschenkfunctionaris onderzoek kan doen en persoonlijk kan benaderen.
Een maandelijks donatieprogramma maakt gebruik van een vervalmodel dat een afnemende e-mailbetrokkenheid en een kaart die bijna verloopt, opmerkt, wat aanleiding geeft tot een bedankje voordat de donateur annuleert.
Een kleine liefdadigheidsinstelling gebruikt een taalmodel om bedankbrieven op te stellen die zijn afgestemd op nieuwe, terugkerende en terugkerende donateurs, en die door het personeel worden bewerkt voordat ze worden verzonden.
Voorspellende en generatieve functies zullen waarschijnlijk standaard worden in CRM's van non-profitorganisaties, waardoor de drempel voor kleine organisaties wordt verlaagd. De praktische beperkingen zijn de kwaliteit van de gegevens, de vaardigheden van het personeel en het vertrouwen: donoren verwachten van liefdadigheidsinstellingen dat ze zorgvuldig omgaan met persoonlijke informatie, en privacyregels in veel rechtsgebieden beperken profilering zonder transparantie. Sectororganen en financiers publiceren richtlijnen over verantwoord AI-gebruik. Liefdadigheidsinstellingen die uitleggen hoe ze gegevens gebruiken, mensen centraal stellen in relaties en incrementele in plaats van toegeschreven inkomsten meten, zijn het best geplaatst om hiervan te profiteren zonder het vertrouwen van de donoren te ondermijnen.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
AI bij fondsenwerving voor non-profitorganisaties maakt gebruik van donorgegevens en machinaal leren om te voorspellen wie waarschijnlijk een oud geschenk zal geven, upgraden, vervallen of achterlaten, en om oproepen te personaliseren en routinematig CRM-werk te automatiseren. Het is belangrijk omdat de meeste liefdadigheidsinstellingen kleine teams en krappe budgetten hebben, dus een betere targeting kan per oproep meer opleveren, maar het is afhankelijk van persoonlijke gegevens waarvan donoren verwachten dat er zorgvuldig mee wordt omgegaan.
RFM beoordeelt donoren op hoe recent, hoe vaak en hoeveel ze hebben gegeven, een al lang bestaande basislijn.
Een rijk persoon zonder enige band met de zaak is zelden een sterk vooruitzicht, dus programma's wegen affiniteit af naast rijkdom.
De toezichthouder ontdekte dat liefdadigheidsinstellingen de rijkdom van donoren hadden geprofileerd zonder voldoende transparantie.
Eén inbreuk op een enkele leverancier trof veel non-profitorganisaties tegelijk, wat het gedeelde veiligheidsrisico benadrukte.
Een veld dat na de uitkomst wordt bijgewerkt, bevat in het geheim het antwoord, waardoor de testprestaties worden opgeblazen.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
AI in het inkomstencyclusbeheer van de gezondheidszorg
Industrieën